05 边缘智能：5G MEC赋能自动驾驶
边缘计算：自动驾驶的未来
目前，汽车行业有一个非常受人关注的技术，就是自动驾驶，这也是人工智能行业一个非常典型的应用场景，吸引了大量企业前来布局。作为一种智能化的交通工具，自动驾驶可以代替人类完成一系列的驾驶行为。随着自动驾驶技术不断发展，人们将获得更便捷、更高效率的出行体验，并且可以推动太阳能、风能等清洁能源的发展与应用，全面改善空气质量，优化生活环境。
汽车自动驾驶有两层含义：一是智慧，二是能力。智慧指的是自动驾驶汽车可以对周围环境进行智能感知，通过综合判断做出推理和决策；能力指的是自动驾驶汽车可以保证智慧系统做出的所有决策都能落地执行，让车辆实现自主控制，进而实现人机交互与协同。总而言之，对于自动驾驶来说，智慧与能力缺一不可。
为了实现“智慧”和“能力”，自动驾驶技术一般会涵盖环境感知、决策规划、车辆控制三大模块，利用内置传感器与外置传感器模拟人类驾驶员的感官，在驾驶过程中获取周边环境信息和车辆状态。
一、自动驾驶汽车的等级标准划分
自动驾驶不是一个新概念，早在20世纪80年代就曾掀起一波关于自动驾驶的研究热潮。1984年，全球第一辆真正意义上的自动驾驶汽车在卡内基·梅隆大学（Carnegie Mellon University，简称CMU）诞生。这款自动驾驶汽车利用激光雷达、计算机视觉以及自动控制技术感知周边环境，自动做出驾驶决策。在特定的道路环境中，这款汽车的行驶速度最高可以达到31千米/小时。
2014年，国际自动机工程师学会制定了一套标准，将自动驾驶汽车划分为六个等级，分别是无自动化、驾驶支援、部分自动化、有条件自动化、高度自动化、完全自动化，具体如表5-1所示。
表5-1 SAE自动驾驶汽车分级标准
二、边缘智能：提供低时延数据传输方案
5G网络的传输速率高达20Gbps，传输时延只有1毫秒，每平方千米可以连接100万台设备，网络传输的稳定性可以达到99.999%，从单车信息流共享、车队编队无人化、远程驾驶三个层面对智能驾驶的发展产生了积极的推动作用。对于自动驾驶来说，5G网络为其搭建了一个低时延、高传输速率、高稳定性的网络架构。
随着自动驾驶等级的不断提升，车载传感器的种类越来越多，一辆自动驾驶汽车一天就能产生大约25TB的原始数据。这些原始数据需要在本地进行处理，包括利用深度学习技术进行目标检测、提取数据特征、进行跟踪分析等。同时，还需要利用V2X技术提升车辆对道路环境与主体的感知能力，并利用3D高清地图进行建模对车辆进行精准定位，对车辆的行驶路径进行规划，对驾驶策略进行调整，从而对车辆进行安全控制。
为了保证数据处理效率与车辆响应速度，这些计算任务必须在车内完成，因此需要为自动驾驶汽车配备性能强大的边缘计算平台，利用服务器强大的计算能力以及核心云、边缘云等设备，让车辆获取实时的交通信息，包括路况信息、道路信息和行人信息。
边缘计算是一种将数据存储在更接近需要的位置的分布式计算模式，这里所说的“更接近需要的位置”指的是靠近物体或数据源头的网络边缘侧。边缘计算可以融合网络、计算、存储、应用等核心能力，就近提供边缘智能服务，满足行业数字化在敏捷连接、实时业务、数据优化、应用智能、安全与隐私保护等方面的需求。作为连接物理世界与数字世界的桥梁，边缘计算可以为资产、网关、系统、服务等的智能化升级赋能。
三、技术路径：5G MEC赋能自动驾驶
虽然5G与移动边缘计算的融合可以极大地提升网络通信能力，但这远远无法满足自动驾驶的需求。因为自动驾驶车辆上存在大量感知设备，对边缘网络的接入能力和网络传输时延有较高的要求。为了满足更多终端的接入需求，运营商正在规划建设更多基站和微基站。
●多接入：自动驾驶使用的传感器主要有三种类型，分别是摄像头、雷达和激光雷达。其中，摄像头可以更好地分辨物体的颜色，精准识别指示牌与路标，但比较容易受天气以及光线的影响。雷达的感知能力非常强，不仅可以感知远距离的物体，而且不容易受雨雾等天气的影响。摄像头与雷达结合可以做出更精准、更可靠的判断。这样一来，自动驾驶的接入层就需要接入大量终端设备，每个终端或每辆车都需要一个IP。如果某个路段上的车辆比较多，就会在短时间内出现大量IP需求，IPv6（互联网协议第6版）需求就会随之增强。
●低延迟：5G网络的控制面与数据面分离，在网络功能虚拟化（Network Function Virtualization，简称NFV）的作用下，网络部署更加灵活，对分布式边缘计算的部署产生了很大的助益。边缘计算让边缘侧承担了大量的数据计算与存储任务，数据无需通过网络，就可以传输到云端，有效解决了用户隐私泄露和数据安全问题，可以更好地满足自动驾驶对数据处理以及数据传输的需求。
自动驾驶领域的主流玩家
近几年，自动驾驶成为一个热门行业，吸引了大量企业前来布局，这些企业大致可以分为五种类型：第一类是以谷歌Waymo、百度Apollo为代表的平台厂商；第二类是以英特尔（Intel）CPU[4]/FPGA[5]、英伟达GPU[6]为代表的硬件供应商；第三类是以特斯拉、奥迪、通用为代表的车辆生产企业；第四类是以博世为代表的车辆零部件制造商；第五类是以英特尔Mobileye为代表的技术解决方案提供商。截止到目前，市面上的自动驾驶汽车大多停留在L2级别，只有部分汽车的部分功能达到了L3或L4级别。
一般来说，L2级别的自动驾驶主要有两种解决方案：第一，在车辆前端安装前视摄像头，辅之以毫米波雷达和视觉感知芯片；第二，在车辆周围安装摄像头与声波雷达，利用中央计算机进行融合计算。
一、特斯拉Autopilot
目前，特斯拉Autopilot的自动驾驶已经完全达到了L2级别，部分功能达到了L3级别。只要解决预警信息没有完全到位的问题，自动驾驶就可以完全达到L3级。特斯拉Autopilot的发展遵循的是先发展硬件，再更新软件的原则。每一台特斯拉都会配备时下最新的硬件设备，然后通过空间下载技术（Over the Air Technology，简称OTA）不断地对设备进行更新，推动自动驾驶功能不断升级。
从2016年10月开始，每辆特斯拉汽车都会安装自动驾驶硬件套件，包括摄像头、雷达、超声波传感器和可升级的车载计算机。目前，大约有15万台搭载了这种自动驾驶硬件套件的车辆行驶在路上，车辆搭载的软件系统可以利用OTA进行更新。这些行驶在路上的汽车会源源不断地为特斯拉提供真实的驾驶数据，帮助研究人员不断更新算法，向更高级别的自动驾驶升级。
二、谷歌Waymo
作为谷歌旗下的自动驾驶部门，谷歌Waymo一直在努力打造一整套涵盖硬件与算法的体系，车辆安装了这套体系就可以实现自动驾驶。从这一点来看，谷歌Waymo似乎想占据自动驾驶产业链的上游，为车企提供硬软件设备，包括定制化的芯片、激光雷达传感器等。
谷歌Waymo的自动驾驶方案是先为想要实现自动驾驶的汽车进行环境建模，所涵盖的环境信息比高清地图更多、更细，然后将计算机视觉与激光雷达的算法相融合，从算法与策略两个层面为自动驾驶奠定基础。但是这样一来，谷歌Waymo的服务区域就有了一定的局限性，只能在自己掌握了完整环境数据的地区提供服务。想要扩大服务范围，谷歌Waymo的工作人员必须前往美国各个地区，在各种极端环境下进行测试，积累大量车辆行驶数据，这是一个漫长的过程。
三、英特尔Mobileye
Mobileye主要致力于高级驾驶辅助系统和自动驾驶视觉技术的研发，拥有自主研发的EyeQ系列视觉处理芯片以及配套的基于视觉计算的解决方案。目前，EyeQ5已经问世，且已经在一些车辆上得以应用。Mobileye正在组织研发EyeQ6，预计于2023年问世。在众多自动驾驶解决方案中，Mobileye方案最大的优势在于使用单一摄像头采集路面信息，感知周围环境，使相关成本大幅下降。
2013年，Mobileye被英特尔收购，成为英特尔布局自动驾驶的重量级武器。Mobileye与英特尔之前收购的FPGA芯片巨头Altera、视觉算法公司Movius一起，共同构建了一个自动驾驶端到端的完整的解决方案。
四、百度Apollo
在中国的自动驾驶领域，百度是当之无愧的先行者。其Apollo策略与谷歌的Waymo策略有很大不同，Waymo始终牢牢掌握着硬件体系的主导权，而Apollo则愿意将硬件体系的主导权开放，构建参考硬件体系，鼓励更多垂直领域的企业前来合作。对于百度Apollo来说，人工智能技术、平台服务、软件服务是核心竞争力。
2020年，Apollo生态保持深化扩张之势，与200多家企业达成了合作。2020年9月，百度Apollo 6.0平台发布，这个平台新增了很多硬件设备，在软件方面也推出了基于深度学习的算法，增加了全新的无人化接口、云端服务以及V2X系统，涵盖了五大功能，分别是智能新模型、安全无人化、系统新升级、联动新服务、V2X车路协同。
其实，早在2016年，百度就开始在路侧感知传感器方案、路侧感知算法、车端感知融合算法、数据压缩与通信优化、V2X终端硬件及软件、V2X安全等领域布局，对车路协同方案进行研究。2018年7月4日，百度Apollo与金龙客车联合打造的自动驾驶巴士“阿波龙”实现量产，正式进入市场。这是全球第一款达到了L4级的自动驾驶巴士，标志着百度的自动驾驶方案实现了商业化落地。
在边缘计算平台选择方面，以CPU或GPU为主的计算平台仍然是主流选择。例如，谷歌从2009年开始就使用英特尔的计算平台开发无人驾驶汽车，最新的克莱斯勒大捷龙无人车使用的也是英特尔的Xeon服务器芯片、Altera的FPGA芯片和英特尔的以太网关芯片。除谷歌外，百度也使用了英特尔双至强E5-2658V312核CPU，用来对激光雷达云点和图像数据进行处理。
虽然近年来自动驾驶领域出现了一些新技术，例如TSN[7]网络交换器、ASIC等，但因为TSN的协议比较复杂，标准延续的周期比较长，所以大部分企业还是会选择FPGA，尤其是在ADAS领域。以奔驰S系列为例，每辆车安装的FPGA多达18个。
相较于TSN网络交换器，FPGA最显著的优点就是功耗低。如果以同样性能的CPU为参考，FPGA的功耗只有CPU的1/10。基于这一优点，FPGA更容易通过严苛的车规级认证，尤其是高等级的ISO26262认证。至于ASIC，则因为开发周期、量产周期比较长，在自动驾驶领域应用得相对较少。
基于5G MEC的车路协同实践
车路协同指的是利用无线通信技术与新一代互联网等技术，让车辆之间、车辆与道路之间开展实时的信息交互，实现交通信息的动态采集与融合，在此基础上实现车辆主动安全控制与道路协同管理，让人、车、路实现有效协同，从而保证交通安全，提高交通运输效率，创建一个安全、高效、低碳环保的道路交通体系。
传统的智能交通系统是以中心云计算为基础建立起来的，前端负责实时采集数据，然后通过互联网将采集到的数据上传到云端，在云端对数据进行处理，并将处理结果发送至各个路口的信号机和移动终端，从而对信号灯系统进行战略控制，对各个路口进行协调控制。随着车路协同系统不断推进，需要处理的数据量暴增，为了保证行车安全，车辆行驶安全服务系统需要在几毫秒内让驾驶员或车辆控制系统做出应对。在这种情况下，原来的中心计算方式逐渐失效。
一、边缘计算构筑“车路协同”
在边缘计算模式下，边缘侧承担了大部分计算任务，大量数据在边缘节点就可以完成计算，并通过LTE-V/5G路侧单元等传输手段将计算结果实时发送给安装了车载单元的车辆，满足车路协同需求。具体来看，车路协同的实现涉及很多内容，例如实现车内边缘计算、道路边缘计算，创建车路协同云等。
1.车内边缘计算
目前，汽车的车内通信大多使用CAN[8]等控制器车载总线对各个子系统进行控制。未来，控制器车载总线将被高速实时车载以太网取代，例如在TSN基础上创建的TCP/IP网络等。届时，车辆将变成边缘计算的一个节点，在边云协同的基础上为车辆提供增值服务，对车辆进行有效控制。
2.道路边缘计算
未来，新的道路侧系统将综合内置对LTE-V/5G等通信方式，提供各种传感器接口、局部地图系统，并为车辆提供信号配时信息以及周边运动目标信息，支持车辆进行协同决策，构建道路侧边缘计算节点。
在车路协同模式下，车辆之间、车辆与道路之间开展实时的信息交互，可以切实降低交通事故的发生率。汽车将从雷达、摄像头等设备获取的信息通过边缘网关与附近其他车辆和道路基础设施进行交互，可以进一步扩大感知范围，在发生碰撞、刮擦等事故之前及时发出预警；并为车辆提供自适应巡航等辅助驾驶服务，如有必要，会及时提醒人类驾驶员接管车辆，以防事故发生。
3.车路协同云
车路协同云通过与车辆边缘计算节点、道路侧边缘计算节点实时交互，对道路上的车辆密度、车辆行驶速度等进行实时感知，引导车辆合理地规划行驶路线，规避拥堵路段，从而提高道路通行效率。在道路交叉路口，车载边缘计算可以将当前的道路状况告知道路边缘计算节点，道路边缘计算节点可以对路上的车辆、行人等情况进行搜集，利用大数据对相关信息进行处理，发出车辆调度指令，对信号灯状态进行合理控制，向驾驶员发出拥堵预警等，通过这些措施减少不必要的停留，让道路保持通畅，降低车辆的燃油消耗。
二、广州联通：基于5G MEC的车路协同方案
为了推进自动驾驶相关领域的研究，加快构建智能网联自动驾驶体系，广州联通与广州文远知行科技有限公司合作创建了“5G无人驾驶实验室”，旨在打造国内一流、国际领先的5G网络环境支持下的自动驾驶汽车道路测试网络环境，并构建基于5G移动边缘计算的智能网联自动驾驶体系，构建基于5G MEC的车路协同一站式解决方案。该方案的落地涉及多方面的内容，包括5G网络建设与优化、MEC边缘部署、远程驾驶平台创建、远程故障管理平台创建、车路协同体系构建、基于区块链的道路信息共享平台创建等，具体包括以下内容。
1.5G+MEC远程驾驶管理
在远程驾驶状态下，5G网络凭借低时延、高稳定性、大带宽等特点，可以让驾驶员与车辆开展实时、顺畅的沟通与交流，让人类驾驶员对车辆进行实时控制，将车载传感器采集到的高清视频与图像实时传输到边缘侧或云端。目前，“5G无人驾驶实验室”的技术人员正在努力将MEC相关应用用于远程驾驶，切实提高5G自动驾驶远程接管的智能化程度、各项操作的精准度以及反应速度。
2.远程故障管理平台信息采集与处理
更高级别的自动驾驶之所以无法走出实验室实现大规模商用，原因之一就是自动驾驶状态的汽车故障管理存在很多问题。如果车辆在自动驾驶过程中出现故障，又无法及时进行人为干预，那就极有可能会发生事故。
现阶段，自动驾驶故障可以划分为两种类型：一类是系统识别故障（System entified Failures，简称SIFs），即故障发生后，自动驾驶系统不知道如何处理，向控制中心发出求救信号，请求人类操作员进行干预；一类是意外故障（Unexpected Failures，简称UFs），即故障发生后，自动驾驶系统无法识别故障，同时也不知道如何应对，如图5-1所示。面对意外故障，传统的解决方式是让远程操控员对自动驾驶车辆进行持续监控，但这种方式会导致自动驾驶的服务成本大幅增长。
图5-1 自动驾驶故障的两种类型
“5G无人驾驶实验室”利用5G+MEC对这一问题的解决方案进行探索，通过在边缘部署远程故障管理平台，利用5G网络传输速度快、时延短等特征对采集到的数据进行实时分析，下达指令，将自动驾驶计算与存储任务转移到边缘侧，实现应用下移与数据缓存，进而降低自动驾驶的单车制造成本。
3.车辆本地分流与无缝切换
自动驾驶的实现不仅要提高单车的智能化水平，还要实现车路协同一体化发展。对于车联网来说，V2X是关键技术，可以将车辆与一切事物连接在一起。“5G无人驾驶实验室”与广州交警合作，让自动驾驶状态下的车辆与红绿灯等路边基础设施开展即时通信，将数字化改造后的信号灯探测到的道路信息及时上传到边缘节点，并推送给附近的车辆，对车辆进行本地分流，切实保证自动驾驶的安全。
4.基于区块链道路信息共享服务平台
“5G无人驾驶实验室”利用自动驾驶与区块链技术开发的出行平台，可以通过5G网络将自动驾驶过程中产生的道路信息、交通监控等数据传送到边缘侧，利用区块链智能合约、去中心化、公开透明等优势，创建一个高效、透明、安全、开放的道路信息共享平台，将市政、公安、交警、交通与自动驾驶企业相整合，构建一个安全、开放的信息共享体系。
自动驾驶的边缘计算架构
自动驾驶的边缘计算架构建立在边云协同以及LTE/5G提供的通信基础设施和服务的基础之上，其中边缘侧主要由车载边缘计算单元、RSU或MEC服务器等构成。车载单元利用RSU或MEC服务器对周边环境进行感知，制定决策规划，对车辆进行控制。例如，借助RSU，车载单元可以获得更多与道路、行人等有关的信息。虽然边缘侧的计算能力很强大，但有些功能更适合在云端运行，例如对车辆的远程控制、节点管理、车辆模拟仿真与验证、数据的长久保存与管理等。具体来看，自动驾驶边缘计算平台主要有以下几大特征，如图5-2所示。
图5-2 自动驾驶边缘计算平台的五大特征
一、负载整合
目前，每辆汽车搭载的电子控制单元大约有60-100个，可以控制仪表盘、座位与引擎，支持娱乐与通信等，功能非常丰富。随着自动驾驶的成熟度越来越高，AI、云计算、车联网V2X等新技术在汽车行业广泛应用，汽车控制系统将变得越来越复杂。与此同时，车辆将承载更多人们对数字化生活的需求，例如虚拟办公、手势与语音控制、4K娱乐等。
为了将更多新技术、新应用集成安装到汽车上，汽车品牌厂商尝试采用负载整合的方式对汽车控制系统进行简化，对不同的HMI进行集成。具体来说就是利用虚拟化技术在同一个硬件平台上运行ADAS、车载信息娱乐系统（In-Vehicle Infotainment，简称IVI）、数字仪表、平视显示器（Head Up Display，简称HUD）和后座娱乐系统等软件与应用，如图5-3所示。基于虚拟化和硬件抽象层（Hardware Abstraction Layer，简称HAL）的负载整合，更有利于从云端对整车驾驶系统的业务进行灵活编排，创新深度学习模型，促使软件、固件持续升级等。
图5-3 自动驾驶的负载整合[9]
二、异构计算
因为自动驾驶边缘平台要承担很多计算任务，例如对车辆进行精准定位、对行驶路径进行合理规划、利用深度学习算法对目标进行识别与检测、对图像进行处理并提取图像特征、对目标进行跟踪等。这些计算任务在不同的硬件平台上运行所表现出来的性能与所产生的能耗有很大不同。一般来说，如果是用于目标跟踪与识别的卷积运算，GPU的性能更好，能耗更低；如果是用于精准定位的特征提取算法，DSP[10]的性能更好，能耗更低。
因此，很多车企设计了异构计算来提升自动驾驶边缘计算平台的性能和能耗比，力争在最短的时间内得出计算结果。在异构计算模式下，平台会为不同的计算任务匹配不同的硬件，将各个硬件的优势充分发挥出来，并通过统一上层软件接口来解决硬件太多无法兼容的问题。不同硬件平台适合的负载类型如图5-4所示。
图5-4 不同硬件平台适合的负载类型比较
三、实时性
自动驾驶汽车在行驶过程中要求系统能够做出实时响应，尤其是在危险情况下，车辆制动响应时间直接关系着车辆和乘客的安全。在传统驾驶模式下，制动响应时间指的是驾驶员从发现制动信号到把脚移到制动踏板上所需要的时间。在自动驾驶模式下，制动响应时间指的是自动驾驶系统从发现制动信号到做出反应的时间，涵盖了网络云端计算处理需要的时间、车间协商处理需要的时间、车辆系统计算与制动处理需要的时间等。假设一辆时速100千米的车辆，想要将制动距离控制在30米以内，系统响应时间就不能超过100毫秒。
对自动驾驶的响应时间进行细分，对应到各个功能模块，具体要求如下：
●检测并定位周围目标的时间控制在15-20毫秒。
●对传感器数据进行整合、分析的时间控制在10-15毫秒。
●制定行为决策、规划行驶路径的时间控制在25-40毫秒。
整个过程需要考虑到网络通信的时延。由此可见，对于自动驾驶来说，低时延的5G网络更有优势。在5G网络环境下，自动驾驶汽车端到端的时延可以控制在1毫秒以内，可靠性接近100%。同时，5G网络可以根据数据处理的轻重缓急对网络的处理能力进行灵活分配，保证车辆对外界环境的响应速度。
四、连接性
车联网的核心就是连接，将车辆与其他一切可能对车辆产生影响的事物连接在一起，例如道路、信号灯、人、其他车辆等，让他们之间开展信息交互。具体来说，车联网可以细分为V2P（Vehicle to Pedestrian，车人通信）、V2N（Vehicle to Network，车网通信）、V2V、V2I等。
目前，V2X通信技术有两条实现路径：一是DSRC，二是C-V2X。其中，DSRC的发展时间比较早，相关技术与应用相对比较成熟。但在不断发展的5G与LET技术的支持下，C-V2X也将在汽车联网领域实现广泛应用。
五、安全性
1.自动驾驶的安全层级。自动驾驶安全可以划分为三个等级，分别是电子控制单元（Electronic Control Unit，简称ECU）安全、车身信息系统安全和云端服务安全，具体内容如表5-2所示。
表5-2 自动驾驶的安全等级
2.自动驾驶测试验证。2016年1月，国际自动机工程师学会（SAE）发布《信息物理融合系统网络安全指南》，成为全球第一部围绕汽车网络安全制定的指导性文件。其配套文件《路面车辆应用的硬件保护安全要求》，可以为汽车设计者提供一定的指导，让汽车设计者采取一些措施从多个方面为车辆提供保护，例如将检验秘钥存储在微控制器的受保护区域中。对于自动驾驶来说，安全是首要原则。为了降低自动驾驶在道路测试与行驶过程中的风险，在测试前要做好充分准备，测试中发现问题要立即调整。
移动边缘计算将大量计算任务从云端转移到边缘侧，极大地缩短了网络传输时延，加快了车载系统的响应速度，为自动驾驶安全以及更高等级的自动驾驶的实现提供了强有力的保证。从某种程度上说，边缘计算的发展与应用为自动驾驶创造了一个广阔的前景。
上一篇
